ਵਿਗਾੜਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ 9 ਪਹੁੰਚ

В ਪਿਛਲੇ ਲੇਖ ਅਸੀਂ ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਬਾਰੇ ਗੱਲ ਕੀਤੀ। ਇੱਕ ਤਰਕਪੂਰਨ ਨਿਰੰਤਰਤਾ ਅਸੰਗਤੀ ਖੋਜ 'ਤੇ ਇੱਕ ਲੇਖ ਹੋਵੇਗਾ।

ਐਪਲੀਕੇਸ਼ਨ

ਅਨਿਯਮਿਤਤਾ ਖੋਜ ਦੀ ਵਰਤੋਂ ਇਹਨਾਂ ਖੇਤਰਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿਵੇਂ ਕਿ:

1) ਉਪਕਰਣਾਂ ਦੀਆਂ ਅਸਫਲਤਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਇਸ ਤਰ੍ਹਾਂ, 2010 ਵਿੱਚ, ਈਰਾਨੀ ਸੈਂਟਰੀਫਿਊਜਾਂ 'ਤੇ ਸਟਕਸਨੈੱਟ ਵਾਇਰਸ ਦਾ ਹਮਲਾ ਹੋਇਆ, ਜਿਸਨੇ ਉਪਕਰਣਾਂ ਲਈ ਇੱਕ ਗੈਰ-ਅਨੁਕੂਲ ਓਪਰੇਟਿੰਗ ਮੋਡ ਸੈੱਟ ਕੀਤਾ ਅਤੇ ਤੇਜ਼ ਘਿਸਾਅ ਕਾਰਨ ਕੁਝ ਉਪਕਰਣਾਂ ਨੂੰ ਅਯੋਗ ਕਰ ਦਿੱਤਾ।

ਜੇਕਰ ਉਪਕਰਣਾਂ ਨੇ ਅਸੰਗਤਤਾ ਖੋਜ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੁੰਦੀ, ਤਾਂ ਅਸਫਲਤਾ ਦੀ ਸਥਿਤੀ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕਦਾ ਸੀ।

ਸਾਜ਼ੋ-ਸਾਮਾਨ ਦੀਆਂ ਵਿਗਾੜਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਵਰਤੋਂ ਨਾ ਸਿਰਫ਼ ਪ੍ਰਮਾਣੂ ਉਦਯੋਗ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਸਗੋਂ ਧਾਤੂ ਵਿਗਿਆਨ, ਹਵਾਈ ਜਹਾਜ਼ ਟਰਬਾਈਨਾਂ ਅਤੇ ਹੋਰ ਖੇਤਰਾਂ ਵਿੱਚ ਵੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿੱਥੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਨਿਦਾਨ ਅਣਪਛਾਤੇ ਅਸਫਲਤਾਵਾਂ ਤੋਂ ਹੋਣ ਵਾਲੇ ਸੰਭਾਵੀ ਨੁਕਸਾਨਾਂ ਨਾਲੋਂ ਘੱਟ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ।

2) ਧੋਖਾਧੜੀ ਵਾਲੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਜੇਕਰ ਅਲਬਾਨੀਆ ਦੇ ਪੋਡੋਲਸਕ ਵਿੱਚ ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਕਾਰਡ ਤੋਂ ਪੈਸੇ ਕਢਵਾਏ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਤੁਹਾਨੂੰ ਲੈਣ-ਦੇਣ ਦੀ ਦੁਬਾਰਾ ਜਾਂਚ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

3) ਅਸਧਾਰਨ ਖਪਤਕਾਰ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ

ਜੇਕਰ ਤੁਹਾਡੇ ਕੁਝ ਗਾਹਕ ਅਸਧਾਰਨ ਵਿਵਹਾਰ ਦਿਖਾ ਰਹੇ ਹਨ, ਤਾਂ ਕੋਈ ਅਜਿਹੀ ਸਮੱਸਿਆ ਹੋ ਸਕਦੀ ਹੈ ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਅਣਜਾਣ ਹੋ।

4) ਅਸਧਾਰਨ ਮੰਗ ਅਤੇ ਭਾਰ ਦੀ ਪਛਾਣ

ਜੇਕਰ ਕਿਸੇ FMCG ਸਟੋਰ ਵਿੱਚ ਵਿਕਰੀ ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਤੋਂ ਹੇਠਾਂ ਆ ਗਈ ਹੈ, ਤਾਂ ਇਸਦਾ ਕਾਰਨ ਲੱਭਣਾ ਯੋਗ ਹੈ।

ਅਸੰਗਤੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੇ ਤਰੀਕੇ

1) ਇੱਕ-ਕਲਾਸ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ

ਜਦੋਂ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਡੇਟਾ ਇੱਕ ਆਮ ਵੰਡ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਚਿਤ ਹੁੰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਡੇਟਾ ਵਿੱਚ ਵਿਸੰਗਤੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।

ਇੱਕ ਸਿੰਗਲ-ਕਲਾਸ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਮੂਲ ਦੇ ਦੁਆਲੇ ਇੱਕ ਗੈਰ-ਰੇਖਿਕ ਸਤ੍ਹਾ ਬਣਾਉਂਦੀ ਹੈ। ਅਸੰਗਤ ਮੰਨੇ ਜਾਂਦੇ ਡੇਟਾ ਲਈ ਇੱਕ ਕੱਟਆਫ ਮੁੱਲ ਨਿਰਧਾਰਤ ਕਰਨਾ ਸੰਭਵ ਹੈ।

ਸਾਡੀ DATA4 ਟੀਮ ਦੇ ਤਜ਼ਰਬੇ ਦੇ ਆਧਾਰ 'ਤੇ, ਵਨ-ਕਲਾਸ SVM ਵਿਗਾੜ ਖੋਜ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਐਲਗੋਰਿਦਮ ਹੈ।

2) ਜੰਗਲ ਨੂੰ ਅਲੱਗ ਕਰਨ ਦਾ ਤਰੀਕਾ

ਰੁੱਖਾਂ ਦੀ ਉਸਾਰੀ ਦੇ "ਬੇਤਰਤੀਬ" ਢੰਗ ਨਾਲ, ਆਊਟਲੀਅਰਾਂ ਨੂੰ ਰੁੱਖ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ (ਘੱਟ ਡੂੰਘਾਈ 'ਤੇ) ਫੜ ਲਿਆ ਜਾਵੇਗਾ, ਭਾਵ ਉਹਨਾਂ ਨੂੰ ਅਲੱਗ ਕਰਨਾ ਆਸਾਨ ਹੈ। ਆਊਟਲੀਅਰਾਂ ਦੀ ਪਛਾਣ ਐਲਗੋਰਿਦਮ ਦੇ ਪਹਿਲੇ ਦੁਹਰਾਓ ਦੌਰਾਨ ਹੁੰਦੀ ਹੈ।

3) ਅੰਡਾਕਾਰ ਲਿਫ਼ਾਫ਼ਾ ਅਤੇ ਅੰਕੜਾ ਵਿਧੀਆਂ

ਜਦੋਂ ਡੇਟਾ ਆਮ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਮਾਪ ਵੰਡ ਮਿਸ਼ਰਣ ਦੀ ਪੂਛ ਦੇ ਜਿੰਨਾ ਨੇੜੇ ਹੋਵੇਗਾ, ਮੁੱਲ ਓਨਾ ਹੀ ਅਸਧਾਰਨ ਹੋਵੇਗਾ।

ਇਸ ਕਲਾਸ ਵਿੱਚ ਹੋਰ ਅੰਕੜਾ ਵਿਧੀਆਂ ਵੀ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ।

ਚਿੱਤਰ dyakonov.org ਤੋਂ

4) ਮੀਟ੍ਰਿਕ ਢੰਗ

ਇਹਨਾਂ ਤਰੀਕਿਆਂ ਵਿੱਚ ਐਲਗੋਰਿਦਮ ਸ਼ਾਮਲ ਹਨ ਜਿਵੇਂ ਕਿ k-ਨੇੜਲੇ ਗੁਆਂਢੀ, k-ਨੇੜਲੇ ਗੁਆਂਢੀ, ABOD (ਐਂਗਲ-ਅਧਾਰਿਤ ਆਊਟਲੇਅਰ ਡਿਟੈਕਸ਼ਨ) ਜਾਂ LOF (ਸਥਾਨਕ ਆਊਟਲੇਅਰ ਫੈਕਟਰ)।

ਜੇਕਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਦੂਰੀ ਬਰਾਬਰ ਜਾਂ ਮਾਨਕੀਕ੍ਰਿਤ ਹੋਵੇ (ਤਾਂ ਜੋ ਤੋਤਿਆਂ ਵਿੱਚ ਬੋਆ ਕੰਸਟ੍ਰਕਟਰ ਨੂੰ ਨਾ ਮਾਪਿਆ ਜਾ ਸਕੇ) ਤਾਂ ਢੁਕਵਾਂ ਹੈ।

k-ਨੇੜਲੇ ਗੁਆਂਢੀ ਐਲਗੋਰਿਦਮ ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਆਮ ਮੁੱਲ ਬਹੁ-ਆਯਾਮੀ ਸਪੇਸ ਦੇ ਇੱਕ ਖਾਸ ਖੇਤਰ ਵਿੱਚ ਸਥਿਤ ਹਨ, ਅਤੇ ਵਿਸੰਗਤੀਆਂ ਦੀ ਦੂਰੀ ਵੱਖ ਕਰਨ ਵਾਲੇ ਹਾਈਪਰਪਲੇਨ ਨਾਲੋਂ ਵੱਧ ਹੋਵੇਗੀ।

5) ਕਲੱਸਟਰ ਢੰਗ

ਕਲੱਸਟਰ ਵਿਧੀਆਂ ਦਾ ਸਾਰ ਇਹ ਹੈ ਕਿ ਜੇਕਰ ਕਿਸੇ ਮੁੱਲ ਨੂੰ ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਤੋਂ ਇੱਕ ਨਿਸ਼ਚਿਤ ਮਾਤਰਾ ਤੋਂ ਵੱਧ ਹਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮੁੱਲ ਨੂੰ ਅਸਧਾਰਨ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇੱਕ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇ ਜੋ ਡੇਟਾ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਲੱਸਟਰ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਖਾਸ ਕੰਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।

6) ਮੁੱਖ ਭਾਗ ਵਿਸ਼ਲੇਸ਼ਣ

ਢੁਕਵਾਂ ਜਿੱਥੇ ਫੈਲਾਅ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਤਬਦੀਲੀ ਦੀਆਂ ਦਿਸ਼ਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਹੋਵੇ।

7) ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਅਧਾਰਤ ਐਲਗੋਰਿਦਮ

ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਜੇਕਰ ਕੋਈ ਮੁੱਲ ਭਵਿੱਖਬਾਣੀ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਤੋਂ ਬਾਹਰ ਆਉਂਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਬਾਹਰੀ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਟ੍ਰਿਪਲ ਸਮੂਥਿੰਗ, S(ARIMA), ਬੂਸਟਿੰਗ, ਅਤੇ ਹੋਰ ਵਰਗੇ ਐਲਗੋਰਿਦਮ ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।

ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਐਲਗੋਰਿਦਮ ਬਾਰੇ ਪਿਛਲੇ ਲੇਖ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਸੀ।

8) ਨਿਗਰਾਨੀ ਅਧੀਨ ਸਿੱਖਿਆ (ਰਿਗਰੈਸ਼ਨ, ਵਰਗੀਕਰਨ)

ਜੇਕਰ ਡੇਟਾ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਤੋਂ ਲੈ ਕੇ ਆਵਰਤੀ ਨੈੱਟਵਰਕਾਂ ਤੱਕ ਦੇ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਅਸਲ ਮੁੱਲ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਮਾਪਦੇ ਹਾਂ ਅਤੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ ਕਿ ਡੇਟਾ ਆਦਰਸ਼ ਤੋਂ ਕਿਸ ਹੱਦ ਤੱਕ ਭਟਕਦਾ ਹੈ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਕਾਫ਼ੀ ਸਧਾਰਣਕਰਨ ਯੋਗਤਾ ਹੋਵੇ ਅਤੇ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਕੋਈ ਵੀ ਆਊਟਲੀਅਰ ਨਾ ਹੋਵੇ।

9) ਮਾਡਲ ਟੈਸਟ

ਆਓ ਅਨੌਮਲੀ ਖੋਜ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਇੱਕ ਸਿਫ਼ਾਰਸ਼ ਖੋਜ ਸਮੱਸਿਆ ਵਜੋਂ ਵੇਖੀਏ। ਅਸੀਂ SVD ਜਾਂ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਮਸ਼ੀਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ ਫੀਚਰ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਤੋੜਾਂਗੇ, ਅਤੇ ਨਵੇਂ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਮੁੱਲਾਂ ਨੂੰ ਅਨੌਮਲੀ ਸਮਝਾਂਗੇ ਜੋ ਅਸਲ ਨਾਲੋਂ ਕਾਫ਼ੀ ਵੱਖਰੇ ਹਨ।

ਚਿੱਤਰ dyakonov.org ਤੋਂ

ਸਿੱਟਾ

ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੇ ਮੁੱਖ ਤਰੀਕਿਆਂ ਨੂੰ ਕਵਰ ਕੀਤਾ ਹੈ।

ਅਨੌਮਲੀ ਖੋਜ, ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ, ਇੱਕ ਕਲਾ ਹੈ। ਕੋਈ ਆਦਰਸ਼ ਐਲਗੋਰਿਦਮ ਜਾਂ ਪਹੁੰਚ ਨਹੀਂ ਹੈ ਜੋ ਹਰ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਸਕੇ। ਇੱਕ ਖਾਸ ਮਾਮਲੇ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਅਕਸਰ ਤਰੀਕਿਆਂ ਦੇ ਸੁਮੇਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਨੌਮਲੀ ਖੋਜ ਸਿੰਗਲ-ਕਲਾਸ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ, ਆਈਸੋਲੇਸ਼ਨ ਫੋਰੈਸਟ, ਮੈਟ੍ਰਿਕ ਅਤੇ ਕਲੱਸਟਰ ਵਿਧੀਆਂ, ਨਾਲ ਹੀ ਮੁੱਖ ਹਿੱਸਿਆਂ ਅਤੇ ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਜੇਕਰ ਤੁਸੀਂ ਹੋਰ ਤਰੀਕੇ ਜਾਣਦੇ ਹੋ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਲੇਖ ਦੀਆਂ ਟਿੱਪਣੀਆਂ ਵਿੱਚ ਉਨ੍ਹਾਂ ਬਾਰੇ ਲਿਖੋ।

ਸਰੋਤ: www.habr.com